Likelihood ratio tests with boundary constraints using data-dependent degrees of freedom
利用数据依赖自由度处理边界约束的似然比检验AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论通用边界参数检验，没有针对因果、时间序列或金融等细分领域的明确设定。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用数据依赖自由度处理边界约束的似然比检验
- 研究问题
- 原假设把参数约束在参数空间边界时，如何避免计算复杂的卡方混合权重，同时控制第一类错误并保留功效？
- 方法与思路
- 作者依据观测到的原假设参数中处于参数空间内部的数量进行条件化，采用相应的简单卡方临界值构造检验。
- 材料陈述的贡献
- 摘要称，检验渐近保守，功效优于直接忽略边界约束的方法；模拟中功效与卡方混合检验接近，但通常更低。
- 阅读关注点
- 应核对条件化数量与自由度的定义、渐近保守性和功效比较的条件，以及边界几何和干扰参数对实施的影响。
- 阅读边界
- 索引摘要版本未注明，未给出适用的边界结构与理论条件；不能认定该法普遍优于卡方混合检验，也不能推断刊本变化。
原文摘要
When the null hypothesis constrains parameters to the boundary of the parameter space, the asymptotic null distribution of the likelihood ratio statistic is often a mixture of chi-squared distributions, giving rise to the so-called chi-bar test, where weights can depend on the true unknown parameter and be difficult to calculate. We consider the test that conditions on the observed number of null hypothesis parameters in the interior of the parameter space. This approach uses simple chi-squared thresholds, yields conservative asymptotic Type I error, and is guaranteed to give power improvements over the naive approach of simply ignoring boundary constraints. Simulations validate the theoretical results, illustrate application settings, and find power comparable with but usually less than that of the chi-bar test.